준지도 학습 기법을 활용한 토마토 잎 병해 이미지 분류 성능 향상에 관한 연구
A Study on Tomato Leaf Disease Classification Using Semi-Supervised Learning Techniques
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
식물 병해의 조기 발견은 작물의 품질과 생산성을 향상시키는 데 핵심적인 역할을 한다. 본 연구에서는토마토잎 병해를 효과적으로 분류하기 위해, 소량의 라벨이 있는 데이터와 대량의 비라벨 데이터를 활용하는 준지도 기반의 이미지 분류 기법을 제안한다. 실험에는 AI Hub에서 제공하는 토마토 잎 이미지 데이터셋을사용하였으며, EfficientNet-B0를 기반 모델로 채택하였다. 준지도 학습 방법으로는 Pseudo-Label과 FixMatch를 적용하였고, 스마트팜과 같은 특화된 환경에서의 이미지 분류 작업에서 우수한 성능을 확인하였다. 특히, Pseudo-Label 기법은 98.36%의 분류 정확도를 달성하였으며, 동일 조건의 Few-shot 지도 학습 대비 약 10% 향상된 성능을 보였다. 본 연구는 제한된 라벨 데이터를 효과적으로 활용할 수있는 준지도 학습 기법의 가능성을 실증하였으며, EfficientNet과 같은 경량 모델이 실제 응용 환경에서도 높은 성능을 발휘할 수 있음을 입증하였다.
Abstract
The early detection of plant diseases is crucial for improving crop quality and productivity. This study proposes a semi-supervised learning approach for classifying tomato leaf diseases by leveraging a small amount of labeled data along with a large volume of unlabeled data. The experiments were conducted using a tomato leaf image dataset provided by AI Hub, wutg EfficientNet-B0 adopted as the base model. Among semi-supervised learning techniques, Pseudo-Label and FixMatch were employed, both demonstrating strong performance in image classification tasks within domain-specific settings such as smart farms. Notably, the Pseudo-Label technique achieved an accuracy of 98.36%, outperforming few-shot supervised learning by approximately 10%. This study validates the practical applicability of semi-supervised learning techniques in specific domains and demonstrates that lightweight models such as EfficientNet can effectively utilize limited labeled data to achieve high classification performance.